Als IT-Mitarbeiter eines Unternehmens war ich ziemlich besorgt, weil es keine kompakten und umfassenden Bücher und Informationen gab, die im Geschäft des Unternehmens verwendet werden konnten. Es gibt viele Bücher und Informationen im Internet, egal ob Sie in einen Buchladen gehen oder sich die Informationen im Internet ansehen, aber der tatsächliche Quellcode ist knapp und die Informationen sind ziemlich fragmentiert, keine "erschöpfenden Informationen" (dies ist wichtig!) Und schwer zu verstehen. Es gab viele Dinge. Ich habe es mit dem Lehrplan der Programmierschule verglichen, aber ich dachte, es wäre besser, diese drei Bücher durchzulesen und in die Praxis umzusetzen. Wenn Sie in einen großen Buchladen gehen und die Bücher gründlich vergleichen und schnell lernen möchten (in ein paar Tagen in meinem Bild), sind hier die folgenden drei Bücher. Ich habe es tatsächlich gekauft, aber in ein paar Tagen konnte ich es durchlesen und auf ein Niveau wachsen, auf dem ich grundlegendes maschinelles Lernen und Deep-Learning-Code schreiben konnte. Für Anfänger sollte es ein Muss sein, als umfassender KI-Full-Stack-Ingenieur schnell unabhängig zu werden!
** (1) Gebrauchsfertig! Kann im Geschäftsleben geübt werden! So erstellen Sie mit Python Apps für KI / maschinelles Lernen / tiefes Lernen https://amzn.to/2OSFeSh**
Dieses Buch ist definitiv ein Push! Sofort bekam ich ein Bild von seiner praktischen Anwendung. In fast allen Übungen ist nicht nur die Erklärung von Google Colaboratory beigefügt, sondern auch der Code, der tatsächlich in Colaboratory kopiert und abgespielt werden kann (es wird davon ausgegangen, dass Sie eine Jupyter Notebook-Umgebung erstellt haben). NumPy, SciPy, Pandas, Scikit-Learn (Lern- und Testfallabteilung), OpenCV (OCR, Handschrift und Bilderkennung, Unschärfeverarbeitung, Videoanalyse), Verarbeitung natürlicher Sprache, Anwendung zur Beurteilung von Spam, TensorFlow und Keras, MNIST, CNN Es wird mit Quellcode geliefert, der unmittelbar nach dem umfassenden Erlernen des Deep Learning mithilfe von Bibliotheken wie z. Es wird sogar der Unterschied im Code erwähnt, wenn TensorFlow, Keras, CNN-Bibliothek usw. verwendet werden und wenn dieser nicht verwendet wird, und es scheint, dass jeder mit diesem einen Buch ab morgen KI-Ingenieur werden kann. https://amzn.to/2OSFeSh
** (2) Data Scientist Training Course an der Universität von Tokio ~ Datenanalyse durch Bewegen der Hände mit Python ~ https://amzn.to/2R4BIY1**
Ein Buch mit weiteren Details zu den Informationen, die online vom Matsuo Laboratory der Universität Tokio veröffentlicht wurden. Es ist sehr nützlich als Einstieg in Python-Sprachmerkmale, statistische Analysen und maschinelles Lernen. Kann mit Google Colaboratory ausgeführt werden. Der größte Teil des Inhalts ist im Labor für die Öffentlichkeit zugänglich, und es ist nicht unmöglich, ihn selbst zu studieren. Da es jedoch viele Inhalte gibt, dachte ich, dass es verwirrend und schwierig wäre, nur die Online-Dateien zu überprüfen. Es war hilfreich, ein Buch zu haben, in das man es einfügen konnte. Es ist nicht so teuer, deshalb ist es besser, ein Buch zur Hand zu haben, um Zeit zu sparen. Https://amzn.to/2R4BIY1
** (3) Statistisches Bilderbuch https://amzn.to/2R0zys3**
Es sah aus wie das kompakteste und umfassendste Buch über die Grundlagen der Statistik. Ich denke, es ist ein Muss für Datenwissenschaftler. Deskriptive Statistik, Wahrscheinlichkeitsverteilung, spekulative Statistik, Konfidenzintervall, Hypothesentest, Varianzanalyse und Mehrfachvergleiche, nicht parametrisch, experimentelle Planung, Regressionsanalyse, multivariate Analyse, Bayes'sche Statistik und Big Data Ein Schlüsselwort wird unter Verwendung von Zahlen und dergleichen umfassend zusammengefasst. https://amzn.to/2R0zys3
In meinem Fall dachte ich, dass sowohl die Tatsache, dass ich einige Wirtschaftsstatistiken studiert hatte, als auch der Hintergrund, dass meine Programmierkenntnisse nicht Null waren, ausreichen, um sie auch auf Nullbasis zu nutzen. Wenn Sie ein wenig Hintergrundwissen haben, sind diese drei Bücher meiner Meinung nach sehr einfach zu überprüfen und ergänzen unbekanntes Wissen. Ich denke, dass statistische Kenntnisse für die KI-Verarbeitung möglicherweise nicht wesentlich sind, aber abhängig von den Geschäftsanforderungen der Computerverarbeitung kann dies ein Bereich für statistische Analysen sein. Daher scheint es besser, die Grundlage zu festigen, um Vertrauen zu gewinnen. ..
Recommended Posts